Popis predmeta

Opis predmeta

Osnovne postavke i definicije strojnog učenja. Norme ponašanja učenih automata. Matematički modeli neurona i neuronskih mreža, klasifikacija učećih algoritama. Analiza klastera, reprezentacija znanja, kompresija i prikaz iz nekompletnih podataka. Osnove asocijativnog memoriranja informacije. Metode za obradu vremenski zavisnih uzoraka. Algoritmi učenja: Back-propagation s proširenjima, Kaskadna korelacija i Kohonen algoritam, Konvolucijske mreže, Duboko učenje, Ekstrakcija svojstava natjecateljskim učenjem. WTA (Winner Take All) metoda. Učenje u interakciji sa okolinom - on line učenja, algoritam Sarsa i Q-učenje, Markovljevi modeli. Inteligentni agenti i samoadaptivno upravljanje komunikacijskim uslugama.

Ishodi učenja

  1. definirati pojam, metode i arhitekture karakteristične za strojna učenja
  2. objasniti način rada strojnog učenja i osnovnu namjenu
  3. primijeniti znanje o strojnom učenju u području komunikacijskih usluga
  4. analizirati funkcije strojno učenih komponenti i njihovo međudjelovanje u cilju odabira prikladnog rješenja
  5. analizirati arhitekturu i rezultate dobivene od strojno učenih modela
  6. oblikovati modele za strojno učenje koje uključuju različite oblike prepoznavanja i samoadaptacije
  7. evaluirati i ocijeniti rješenja dobivena različitim metodama strojnog učenja

Oblici nastave

Predavanja

Samostalni zadaci

Laboratorij

Tjedni plan nastave

  1. Perceptron (paradigme učenja, hebbovsko učenje, natjecateljsko učenje, Boltzmannovo učenje)
  2. Višeslojan perceptron (propagiranje pogreške unazad, problem dodjele nagrade, propagiranje pogreške unazad kroz vrijeme)
  3. Višeslojan perceptron (propagiranje pogreške unazad, problem dodjele nagrade, propagiranje pogreške unazad kroz vrijeme)
  4. Mreže radijalnih baznih funkcija (rješavanje problema interpolacije pomoću mreža radijalnih bazni funkcija, mreže poopćenih radijalnih baznih funkcija, odnos naspram teorije regularizacije)
  5. Samoorganizirajuće mreže (hebbovsko nendzirano učenje, Ojaovo pravilo učenja, PCA pomoću samoorganizirajućih mreža, Sangerovo pravilo učenja, natjecateljsko nenadzirano učenje, mreže pobjednik-uzima-sve, Kohonenove samoorganizirajuće mape)
  6. Povratne neuronske mreže (Hopfieldova mreža, Boltzmannov stroj, Elmanova mreža, Jordanova mreža) i algoritmi učenja (propagacija pogreške unazad kroz vrijeme, povratna propagacija unazad)
  7. Dinamičko učenje
  8. Međuispit
  9. Dinamičko učenje
  10. Duboke konvolucijske mreže: slojevi. arhitekture. vizualizacija. fina prilagodba. aplikacije. izvedbeni detalji
  11. Duboke konvolucijske mreže: slojevi. arhitekture. vizualizacija. fina prilagodba. aplikacije. izvedbeni detalji
  12. Stabla odluke
  13. Algoritam k-srednjih vrijednosti
  14. Max-min grupiranje
  15. Završni ispit

Studijski programi

Sveučilišni diplomski
Audiotehnologije i elektroakustika (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)
Automatika i robotika (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)
Elektroenergetika (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)
Elektroničko i računalno inženjerstvo (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)
Elektronika (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)
Elektrostrojarstvo i automatizacija (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)
Informacijsko i komunikacijsko inženjerstvo (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)
Komunikacijske i svemirske tehnologije (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)
Programsko inženjerstvo i informacijski sustavi (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)
Računalno inženjerstvo (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)
Računalno modeliranje u inženjerstvu (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)
Računarska znanost (profil)
Slobodni izborni predmeti (3. semestar) Slobodni zborni predmeti (1. semestar)
Znanost o mrežama (profil)
Izborni predmeti profila (1. semestar) (3. semestar)
Znanost o podacima (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)

Literatura

(.), Neural Networks and Learning Machines, Simon Haykin, Prentice Hall, c2009, New York,
(.), Parallel Distributed Processing: Explorations in the Microstructure of Cognition David E. Rumelhart MIT Press 1987.,
(.), Reinforcement Learning:An Introduction Richard S. Sutton, Andrew G. Barto MIT Press, Cambridge 1998.,

Za studente

Izvedba

ID 222473
  Zimski semestar
5 ECTS
R3 Engleski jezik
R1 E-učenje
30 Predavanja
15 Laboratorijske vježbe

Ishodi učenja

  1. definirati pojam, metode i arhitekture karakteristične za strojna učenja
  2. objasniti način rada strojnog učenja i osnovnu namjenu
  3. primijeniti znanje o strojnom učenju u području komunikacijskih usluga
  4. analizirati funkcije strojno učenih komponenti i njihovo međudjelovanje u cilju odabira prikladnog rješenja
  5. analizirati arhitekturu i rezultate dobivene od strojno učenih modela
  6. oblikovati modele za strojno učenje koje uključuju različite oblike prepoznavanja i samoadaptacije
  7. evaluirati i ocijeniti rješenja dobivena različitim metodama strojnog učenja

Oblici nastave

Predavanja

Samostalni zadaci

Laboratorij

Tjedni plan nastave

  1. Perceptron (paradigme učenja, hebbovsko učenje, natjecateljsko učenje, Boltzmannovo učenje)
  2. Višeslojan perceptron (propagiranje pogreške unazad, problem dodjele nagrade, propagiranje pogreške unazad kroz vrijeme)
  3. Višeslojan perceptron (propagiranje pogreške unazad, problem dodjele nagrade, propagiranje pogreške unazad kroz vrijeme)
  4. Mreže radijalnih baznih funkcija (rješavanje problema interpolacije pomoću mreža radijalnih bazni funkcija, mreže poopćenih radijalnih baznih funkcija, odnos naspram teorije regularizacije)
  5. Samoorganizirajuće mreže (hebbovsko nendzirano učenje, Ojaovo pravilo učenja, PCA pomoću samoorganizirajućih mreža, Sangerovo pravilo učenja, natjecateljsko nenadzirano učenje, mreže pobjednik-uzima-sve, Kohonenove samoorganizirajuće mape)
  6. Povratne neuronske mreže (Hopfieldova mreža, Boltzmannov stroj, Elmanova mreža, Jordanova mreža) i algoritmi učenja (propagacija pogreške unazad kroz vrijeme, povratna propagacija unazad)
  7. Dinamičko učenje
  8. Međuispit
  9. Dinamičko učenje
  10. Duboke konvolucijske mreže: slojevi. arhitekture. vizualizacija. fina prilagodba. aplikacije. izvedbeni detalji
  11. Duboke konvolucijske mreže: slojevi. arhitekture. vizualizacija. fina prilagodba. aplikacije. izvedbeni detalji
  12. Stabla odluke
  13. Algoritam k-srednjih vrijednosti
  14. Max-min grupiranje
  15. Završni ispit

Studijski programi

Sveučilišni diplomski
Audiotehnologije i elektroakustika (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)
Automatika i robotika (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)
Elektroenergetika (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)
Elektroničko i računalno inženjerstvo (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)
Elektronika (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)
Elektrostrojarstvo i automatizacija (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)
Informacijsko i komunikacijsko inženjerstvo (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)
Komunikacijske i svemirske tehnologije (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)
Programsko inženjerstvo i informacijski sustavi (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)
Računalno inženjerstvo (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)
Računalno modeliranje u inženjerstvu (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)
Računarska znanost (profil)
Slobodni izborni predmeti (3. semestar) Slobodni zborni predmeti (1. semestar)
Znanost o mrežama (profil)
Izborni predmeti profila (1. semestar) (3. semestar)
Znanost o podacima (profil)
Slobodni izborni predmeti (1. semestar) (3. semestar)

Literatura

(.), Neural Networks and Learning Machines, Simon Haykin, Prentice Hall, c2009, New York,
(.), Parallel Distributed Processing: Explorations in the Microstructure of Cognition David E. Rumelhart MIT Press 1987.,
(.), Reinforcement Learning:An Introduction Richard S. Sutton, Andrew G. Barto MIT Press, Cambridge 1998.,

Za studente

Izvedba

ID 222473
  Zimski semestar
5 ECTS
R3 Engleski jezik
R1 E-učenje
30 Predavanja
15 Laboratorijske vježbe